一种用于提升多机构 CT 成像的点对点联邦持续学习网络
图像与视频处理
2023-07-13 v2
摘要
深度学习技术已广泛应用于计算机断层扫描（CT），但需要大规模数据集来训练网络。此外，由于数据隐私限制，多机构间的数据共享受限，这阻碍了基于深度学习的多机构协作高性能 CT 成像模型的发展。联邦学习（FL）策略是一种无需集中多机构数据的模型训练替代方案。本工作中，我们提出一种新颖的点对点联邦持续学习策略，以提升多机构的低剂量 CT 成像性能。该新方法称为带中间控制器的点对点持续联邦学习，即 icP2P-FL。具体而言，与传统 FL 模型不同，所提出的 icP2P-FL 不需要协调全局模型训练信息的中心服务器。在提出的 icP2P-FL 方法中，引入了点对点联邦持续学习，其中基于深度学习的模型由于各客户端间 CT 数据的共性，通过模型迁移与机构间参数共享依次在一个接一个的客户端上持续训练。此外，开发了中间控制器以使整体训练更加灵活。在 AAPM 低剂量 CT Grand Challenge 数据集与本地数据集上进行了大量实验，实验结果表明所提出的 icP2P-FL 方法在定性与定量上均优于其他对比方法，并达到了与汇集所有机构数据训练的模型相近的精度。
引用
@article{arxiv.2306.02037,
title = {A Peer-to-peer Federated Continual Learning Network for Improving CT Imaging from Multiple Institutions},
author = {Hao Wang and Ruihong He and Xiaoyu Zhang and Zhaoying Bian and Dong Zeng and Jianhua Ma},
journal= {arXiv preprint arXiv:2306.02037},
year = {2023}
}